第二名方案分享

很遗憾，我没能真正改进上个月的方案。所以感兴趣的朋友请直接参考一月份的帖子和笔记本。

总的来说，我只是更改了一些参数等，并以常规方式处理了新的分类特征。

很遗憾，上半月我没有太多时间探索 DAE（去噪自编码器）的想法，而下半月尝试实施时也没有取得太大成功。

祝贺 @ryanzhang 以较大优势获得第一名，也感谢所有在比赛期间分享好点子（例如 LGBM 模型的微调）的朋友们 👍

模型表现

编辑：快速备注一下各个模型的分数。格式为 私有榜分数 / 公有榜分数。所有模型的交叉验证（CV）分数与公有排行榜都非常接近。

融合权重

基于 CV OOF（袋外）预测，使用 Optuna 计算出的融合权重：

• LGBM 权重: 0.468606
• XGB 权重: 0.082158
• NN1 权重: 0.197289
• NN2 权重: 0.251397

最终输出分数: 0.84228 / 0.84157